直接上需求和代码

首先是需要爬取的链接和网页：http://211.81.31.34/uhtbin/cgisirsi/x/0/0/57/49?user_id=LIBSCI_ENGI&password=LIBSC

登陆进去之后进入我的账号——借阅、预约及申请记录——借阅历史就可以看到所要爬取的内容

然后将借阅历史中的题名、著者、借阅日期、归还日期、索书号存入Mongodb数据库中，以上便是这次爬虫的需求。

下面开始：

各软件版本为：

python 2.7.11

MongoDb 3.2.1

Pycharm 5.0.4

MongoDb Management Studio 1.9.3

360极速浏览器 懒得查了

一、登陆模块

python中的登陆一般都是用urllib和urllib2这两个模块，首先我们要查看网页的源代码：

查找网页中的form表单中的action，方法为post，但是随后我们发现，该网页中的action地址不是一定的，是随机变化的，刷新一下就变成了下面这样子的：

我们可以看到/?ps到/之间的字符串是随机变化的(加粗部分)，于是我们需要用到另一个模块——BeautifulSoup实时获取该链接：

url = "http://211.81.31.34/uhtbin/cgisirsi/x/0/0/57/49?user_id=LIBSCI_ENGI&password=LIBSC"

res = urllib2.urlopen(url).read()

soup = BeautifulSoup(res, "html.parser")

login_url = "http://211.81.31.34" + soup.findAll("form")[1]['action'].encode("utf8")

之后就可以正常使用urllib和urllib来模拟登陆了，下面列举一下BeautifulSoup的常用方法，之后的HTML解析需要：

1.soup.contents 该属性可以将tag的子节点以列表的方式输出

2.soup.children 通过tag的.children生成器，可以对tag的子节点进行循环

3.soup.parent 获取某个元素的父节点

4.soup.find_all(name,attrs,recursive,text,**kwargs) 搜索当前tag的所有tag子节点，并判断是否符合过滤器的条件

5.soup.find_all("a",class="xx") 按CSS搜索

6.find(name,attrs,recursive,text,**kwargs) 可以通过limit和find_all区分开

二、解析所获得的HTML

先看看需求中的HTML的特点：

做人要低调，说话要幽默 孙郡铠编著

孙郡铠 编著

2015/9/10,16:16

2015/9/23,15:15

B821-49/S65

我用一生去寻找 潘石屹的人生哲学 潘石屹著

潘石屹, 1963- 著

2015/9/10,16:16

2015/9/25,15:23

B821-49/P89

由所有代码，注意这行：

该标签表示下面的内容将是借阅书籍的相关信息，我们采用遍历该网页所有子节点的方法获得id="tblSuspensions"的内容：

for i, k in enumerate(BeautifulSoup(detail, "html.parser").find(id='tblSuspensions').children):

# print i,k

if isinstance(k, element.Tag):

bookhtml.append(k)

# print type(k)

三、提取所需要的内容

这一步比较简单，bs4中的BeautifulSoup可以轻易的提取：

for i in bookhtml:

# p

# rint i

name = i.find(class_="accountstyle").getText()

author = i.find(class_="accountstyle author", align="left").getText()

Date_Charged = i.find(class_="accountstyle due_date", align="center").getText()

Date_Returned = i.find(class_="accountstyle due_date", align="left").getText()

bookid = i.find(class_="accountstyle author", align="center").getText()

bookinfo.append(

[name.strip(), author.strip(), Date_Charged.strip(), Date_Returned.strip(), bookid.strip()])

这一步采用getText()的方法将text中内容提取出来；strip()方法是去掉前后空格，同时可以保留之间的空格，比如：s="   a a  ",使用s.strip()之后即为"a a"

四、连接数据库

据说NoSQL以后会很流行，随后采用了Mongodb数据库图图新鲜，结果一折腾真是烦，具体安装方法在上一篇日记中记载了。

1.导入python连接Mongodb的模块

import pymongo

2.创建python和Mongodb的链接：

# connection database

conn = pymongo.MongoClient("mongodb://root:root@localhost:27017")

db = conn.book

collection = db.book

3.将获得的内容保存到数据库：

user = {"_id": xuehao_ben,

"Bookname": name.strip(),

"Author": author.strip(),

"Rent_Day": Date_Charged.strip(),

"Return_Day": Date_Returned.strip()}

j += 1

collection.insert(user)

上面基本完成了，但是爬虫做到这个没有意义，重点在下面

五、获取全校学生的借阅记录

我们学校的图书馆的密码都是一样的，应该没有人闲得无聊改密码，甚至没有人用过这个网站去查询自己的借阅记录，所以，做个循环，就可以轻易的获取到全校的借阅记录了，然后并没有那么简单，str(0001)强制将int变成string，但是在cmd的python中是报错的(在1位置)，在pycharm前面三个0是忽略的，只能用傻瓜式的四个for循环了。好了，下面是所有代码：

# encoding=utf8

import urllib2

import urllib

import pymongo

import socket

from bs4 import BeautifulSoup

from bs4 import element

# connection database

conn = pymongo.MongoClient("mongodb://root:root@localhost:27017")

db = conn.book

collection = db.book

# 循环开始

def xunhuan(xuehao):

try:

socket.setdefaulttimeout(60)

s = socket.socket(socket.AF_INET, socket.SOCK_STREAM)

s.bind(("127.0.0.1", 80))

url = "http://211.81.31.34/uhtbin/cgisirsi/x/0/0/57/49?user_id=LIBSCI_ENGI&password=LIBSC"

res = urllib2.urlopen(url).read()

soup = BeautifulSoup(res, "html.parser")

login_url = "http://211.81.31.34" + soup.findAll("form")[1]['action'].encode("utf8")

params = {

"user_id": "账号前缀你猜你猜" + xuehao,

"password": "密码你猜猜"

}

print params

params = urllib.urlencode(params)

req = urllib2.Request(login_url, params)

lianjie = urllib2.urlopen(req)

# print lianjie

jieyue_res = lianjie.read()

# print jieyue_res     首页的HTML代码

houmian = BeautifulSoup(jieyue_res, "html.parser").find_all('a', class_='rootbar')[1]['href']

# print houmian

houmian = urllib.quote(houmian.encode('utf8'))

url_myaccount = "http://211.81.31.34" + houmian

# print url_myaccount

# print urllib.urlencode(BeautifulSoup(jieyue_res, "html.parser").find_all('a',class_ = 'rootbar')[0]['href'])

lianjie2 = urllib.urlopen(url_myaccount)

myaccounthtml = lianjie2.read()

detail_url = ''

# print (BeautifulSoup(myaccounthtml).find_all('ul',class_='gatelist_table')[0]).children

print "连接完成，开始爬取数据"

for i in (BeautifulSoup(myaccounthtml, "html.parser").find_all('ul', class_='gatelist_table')[0]).children:

if isinstance(i, element.NavigableString):

continue

for ii in i.children:

detail_url = ii['href']

break

detail_url = "http://211.81.31.34" + urllib.quote(detail_url.encode('utf8'))

detail = urllib.urlopen(detail_url).read()

# print detail

bookhtml = []

bookinfo = []

# 解决没有借书

try:

for i, k in enumerate(BeautifulSoup(detail, "html.parser").find(id='tblSuspensions').children):

# print i,k

if isinstance(k, element.Tag):

bookhtml.append(k)

# print type(k)

print "look here!!!"

j = 1

for i in bookhtml:

# p

# rint i

name = i.find(class_="accountstyle").getText()

author = i.find(class_="accountstyle author", align="left").getText()

Date_Charged = i.find(class_="accountstyle due_date", align="center").getText()

Date_Returned = i.find(class_="accountstyle due_date", align="left").getText()

bookid = i.find(class_="accountstyle author", align="center").getText()

bookinfo.append(

[name.strip(), author.strip(), Date_Charged.strip(), Date_Returned.strip(), bookid.strip()])

xuehao_ben = str(xuehao) + str("_") + str(j)

user = {"_id": xuehao_ben,

"Bookname": name.strip(),

"Author": author.strip(),

"Rent_Day": Date_Charged.strip(),

"Return_Day": Date_Returned.strip()}

j += 1

collection.insert(user)

except Exception, ee:

print ee

print "此人没有借过书"

user = {"_id": xuehao,

"Bookname": "此人",

"Author": "没有",

"Rent_Day": "借过",

"Return_Day": "书"}

collection.insert(user)

print "********" + str(xuehao) + "_Finish"+"**********"

except Exception, e:

s.close()

print e

print "socket超时，重新运行"

xunhuan(xuehao)

# with contextlib.closing(urllib.urlopen(req)) as A:

#    print A

#   print xuehao

# print req

for i1 in range(0, 6):

for i2 in range(0, 9):

for i3 in range(0, 9):

for i4 in range(0, 9):

xueha = str(i1) + str(i2) + str(i3) + str(i4)

chushi = '0000'

if chushi == xueha:

print "=======爬虫开始=========="

else:

print xueha + "begin"

xunhuan(xueha)

conn.close()

print "End!!!"

下面是Mongodb Management Studio的显示内容(部分)：

总结：这次爬虫遇到了很多问题，问了很多人，但是最终效果还不是很理想，虽然用了try except语句，但是还是会报错10060，连接超时(我只能质疑学校的服务器了TT)，还有就是，你可以看到数据库中列的顺序不一样=。=这个我暂时未理解，希望大家可以给出解决方法。

以上就是本文的全部内容，希望对大家的学习有所帮助。